ANALISIS POLA DISTRIBUSI SPASIAL VIRUS KORONA …
Post on 16-Oct-2021
5 Views
Preview:
Transcript
i
LAPORAN
PENELITIAN DASAR KEILMUAN (PDK)
ANALISIS POLA DISTRIBUSI SPASIAL VIRUS KORONA MENGGUNAKAN SISTEM
INFORMASI GEOGRAFIS DI DKI JAKARTA
Tim Pengusul:
1. Siti Dahlia, S.Pd., M.Sc (NIDN.0315109102) Ketua
2. Alwin, M.Pd (NIDN: 0307099201) Anggota
Nomor Surat Kontrak Penelitian: 222/F.03.07/2020
Nilai Kontrak: Rp 11.000.000
PROGRAM STUDI PENDIDIKAN GEOGRAFI
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MUHAMMADIYAH PROF. DR.HAMKA
JAKARTA
TAHUN 2020
ii
iii
SURAT KONTRAK PENELITIAN
iv
v
ABSTRAK
DKI Jakarta sebagai Ibu Kota Negara Indonesia yang merupakan pusat aktivitas kegiatan
menjadi episentrum persebaran virus corona. Kondisi tersebut mengakibatkan beberapa
sector terhambat, seperti: pendidikan, ekonomi, social, dan lainnya. Untuk itu tujuan
dalam penelitian ini merupakan 1). Analisis secara spasial temporal perkembangan virus
Corona (COVID-19) di Jakarta. Dan 2). Analisis pola distribusi spasial virus Corona
(COVID-19) di Jakarta. Metode yang digunakan berbasis data sekunder dari data
Kementrian Kesehatan dan Gugus Tugas Covid 19 DKI Jakarta, dengan menggunakan
Sistem Informasi Geografis. Analsisi dilakukan dengan prinsip autocorelasi spasial dan
interpretasi secara kualitatif, untuk analisis pola spasial dilakukan analisis berdasarkan
indicator kepdatan penduduk, fasilitas umum, dan transportasi. Berdasarkan data analisis
spasial temporal menunjukkan bahwa kasus positif Covid 19 periode Maret sampai
September cendrung meningkat secara signifikan. Mayoritas area berada pada kelompok
kasus positif 101-150 kasus, dan pada Bulan September kecamatan dengan Kasus poisitif
> 200 orang cendrung meningkat. Faktor yang mempengaruhi peningkatan kasus positif
dapat di identifikasi factor lokasi pekerjaan, kepadatan penduduk, peningkatan tracking
dan test masal, serta belum efisien kebijakan pemerintah dalam implementasi mitigasi
Covid 19. Berdasarkan pola spasial menunjukkan bahwa pada wilayah penelitian pada
Bulan Maret memiliki pola Cold spot atau menyebar sedangkan Bulan April sampai
September terdapat titik Hot Spot yaitu beberapa Kecamatan di Jakarta Barat, Pusat,
Utara, dan Selatan. Selain itu, secara pola kasus positif Covid 19 tertinggi pada area
dengan kepdatan penduduk tinggi, tingginya keberadaan fasilitas umum seperti
perniagaan, layanana kesehatan, dan tempat ibadah, dan lokasi layanan transportasi seperti
stasiun, bandara, dan pelabuhan. Luaran dari penelitian ini yaitu: luaran wajib akan di
submit pada Jurnal Geografi Unimed terindeks Sinta 2 dan Luaran Tambahan berupa
Jurnal Tunas Geografi yang terindeks Sinta 3.
Kata Kunci: Spasial Temporal, Pola Spasial, Covid 19, Sistem Informasi Geografis
vi
DAFTAR ISI
COVER ..................................................................................................................... i
HALAMAN PENGESAHAN ................................................................................. ii
SPK PENELITIAN ................................................................................................. iii
ABSTRAK ................................................................................................................ v
DAFTAR ISI ............................................................................................................ vi
BAB I PENDAHULUAN ........................................................................................ 1
1.1 Latar Belakang ..................................................................................................... 1
1.2 Rumusan Masalah ............................................................................................... 2
1.3 Tujuan Penelitian ................................................................................................. 2
1.4 Urgensi Penelitian ............................................................................................... 2
BAB II TINJAUAN PUSTAKA ............................................................................. 3
2.1 State of The Art Bidang yang Diteliti .................................................................. 3
2.2 Studi Pendahuluan yang Sudah Dilaksanakan..................................................... 4
2.4 Road Map Penelitian ........................................................................................... 5
BAB III METODE PENELITIAN ......................................................................... 6
3.1 Bagan Penelitian .................................................................................................. 6
3.2 Desain Penelitian ................................................................................................. 6
A. Waktu dan Lokasi Penelitian ............................................................................. 6
B. Populasi dan Sampel ......................................................................................... 7
C. Alat dan Bahan Penelitian .................................................................................. 8
D. Metode Pengumpulan data ................................................................................ 8
E. Metode Pengolahan Data ................................................................................... 8
F. Metode Analisis Data........................................................................................... 8
BAB IV. HASIL DAN PEMBAHASAN ................................................................ 11
4.1 Deskripsi Wilayah Penelitian .............................................................................. 10
1. Kondisi Administrasi Wilayah penelitian ......................................................... 10
2. Kondisis Sosial Wilayah penelitian .................................................................. 11
3. Kondisi Fisik Wilayah penelitian ...................................................................... 12
vii
4. Data kasus Covid 19 Wilayah Penelitian .......................................................... 18
4.2 Hasil Penelitian .................................................................................................... 21
1. Analisis secara spasial temporal perkembangan Covid-19 di Jakarta ................... 21
2. 2Analisis pola distribusi spasial Covid-19 di Jakarta ............................................ 25
BAB V KESIMPULAN DAN SARAN .................................................................. 30
5.1 Kesimpulan .......................................................................................................... 30
5.2 Saran .................................................................................................................... 30
BAB VI LUARAN YANG DICAPAI .................................................................... 31
BAB VII RENCANA TINDAK LANJUT DAN PROYEKSI HILIRISASI ...... 32
DAFTAR PUSTAKA .............................................................................................. 33
LAMPIRAN-LAMPIRAN ...................................................................................... 35
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Coronavirus Disease 2019 atau COVID-19 adalah penyakit baru yang dapat
menyebabkan gangguan pernapasan dan radang paru. Penyakit ini disebabkan oleh
infeksi Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Dari
berbagai penelitian, metode penyebaran utama penyakit ini diduga adalah melalui droplet
saluran pernapasan dan kontak dekat dengan penderita. Covid 19 pertamakali dilaporkan
oleh pemerintah Cina di Wuhan pada tangal 31 Desember 2019, yang selanjutnya
menyebar ke seluruh dunia dan menjadi masalah darurat kesehatan international (Kang,
Choi, Kim, & Choi, 2020). Pemerintah di Indonesia pertama kali melaporkan bahwa
penduduk Indonesia positif Covid 19 pada tangal 2 Maret 2020 yang menimpa dua orang
(Kompas, 2020).
Kasus positif virus Corona (COVID-19) di Indonesia mencapai angka 9.771 pada
tangal 29 April 2020. Kasus positif COVID-19 paling banyak berasal dari DKI Jakarta,
sehingga Jakarta menjadi episentrum persebaran virus corona (detiknews, 2020). Kasus
terkonfirmasi Covid 19 di Jakarta tertangal 29 April 2020 yaitu 4.033 kasus positif, 2.002
dirawat, 412 sembuh, 381 meningal, dan 1.238 isolasi mandiri
(https://corona.jakarta.go.id/id). Covid 19 tidak hanya menyebabkan bronchial dan
pulmonary, tetapi efektif dalam mengurai kemacetan dan keramaian di pusat
perbelanjaan (Malay, 2020). Di Jakarta Covid 19 sejak 15 Maret 2020 mengakibatkan
system bekerja dari rumah atau Work Form Home (WFH). Pada tangal 10 April 2020
untuk memutus rantai pernyebaran virus korena Gubernur DKI Jakarta mengeluarkan
pertauran Pembatasan Sosial Berskala Besar (PSBB). Hal ini berdampak pada peliburan
sekolah dan tempat kerja, pembatasan kegiatan keagamaan, pembatasan kegiatan di
tempat umum, pembatasan kegiatan social dan budaya, pembatasan moda transportasi,
dan pembatasan kegiatan lain khusus pertahanan dan kemanan.
Sistem Informasi Geografis (SIG) menawarkan sarana untuk memvisualisasikan,
menganalisis dan memahami distribusi penyakit menular ke ruang dan waktu, sehingga
2
mengungkapkan tren spasial, pola dan hubungan antara faktor patologis dan lingkungan
geografis penyakit. Sistem Informasi Geografis memiliki peran penting dalam proses
melacak dan mengurangi penularan. Apalagi teknologi terbaru GIS yang berbasis web
yang dapat meningkatkan proses sharing informasi secara real time untuk mendukung
pengambilan kebijakan (Kamel Boulos & Geraghty, 2020). Untuk itu. analisi secara
spasial virus korona merupakan penting sebagai upaya pencegahan penularan lebih
lanjut.
1.2 Rumusan Masalah
Jakarta merupakan Ibu Kota Negara Indonesia, sehingga memiliki peran startegis
yaitu sebagai pusat pemerintahan, bisnis, pendidikan dan lainnya. Akan tetapi pada Bulan
Maret 2020 penduduk Jakarta terpapar Covid 19 dan Jakarta menjadi Episentrum Covid
19. Kasus terkonfirmasi Covid 19 di Jakarta tertangal 29 April 2020 yaitu 4.033 kasus
positif, 2.002 dirawat, 412 sembuh, 381 meningal, dan 1.238 isolasi mandiri
(https://corona.jakarta.go.id/id). Berdasarkan hal tersebut pada penelitian ini, berupaya
untuk menganalisis: 1). Bagaimana spasial temporal kasus positif Covid 19 di Jakarta?.
Dan 2). Bagaimana pola distribusi spasial virus Corona (COVID-19) di Jakarta?.
1.3 Tujuan Penelitian
Berdasarkan hal tersebut, tujuan dalam penelitian ini yaitu: 1). Analisis secara spasial
temporal perkembangan virus Corona (COVID-19) di Jakarta. Dan 2). Analisis pola
distribusi spasial virus Corona (COVID-19) di Jakarta.
1.4 Urgensi Penelitian
Penelitian terkait analisis pola distribusi spasial virus korona menggunakan sistem
informasi geografis di DKI Jakarta dilakukan sebagai upaya mitigasi bencana secara non
structural melalui analisis pemetaan secara spasial baik temporal dan pola spasial. Hal
ini diharapkan adanya informasi gambaraan secara spasial dapat melakukan pencegahan
distribusi secara lebih lanjut. Selain itu, hasil penelitian dapat dimanfaatkan sebagai
bahan ajar pada mata kuliah Geografi Kebencanaan.
3
BAB II
KAJIAN PUSTAKA
2.1 State of The Art Bidang yang Diteliti
Penelitian yang mengkaji terkait kasus virus Corona (COVID-19) sudah dilakukan
oleh beberapa peneliti sebelumnya dengan berbagai bidang ilmu, seperti: Kamel Boulos
& Geraghty (2020), yang menyatakan bahwa GIS dapat mendukung memerangi
penularan wabah. Selain itu, hasil kajian (Kang et al., 2020) menyatkan bahwa analisis
spasial mampu membantu dengan baik dalam memahami distribusi infeksi virus. Kajian
dari (Adegboye, Gayawan, & Hanna, 2017) yang menghasilkan bahwa individu dengan
komorbiditas, pekerja non-kesehatan, pasien tanpa pengalaman klinis yang fatal, dan
pasien tanpa pengalaman klinis dan subklinis secara signifikan meningkatkan
kemungkinan kematian dari MERS-CoV di Semenanjung Arab. Berbeda dengan hasil
kajian (Olanrewaju & Adepoju, 2017) yang mengkaji terkait kajian spasial penyakit
kolera dengan lingkungan. Hal ini dilakukan juga oleh (Al-Ahmadi, Alahmadi, & Al-
Zahrani, 2019), dengan hasil kajian secara spasial temporal dengan analisis klaster dapat
mengidentifikasi periode waktu dan area geografis potensi tertinggi terinfeksi MERS-
Cov di Saudi Arabia. Lebih lanjut penelitian yang dilakukan oleh (Chua et al., 2019)
menyatakan bahwa secara spasial alamat tempat kerja berhubungan dengan penyebaran
wabah.
Untuk mendukung penelitian analisis pola distribusi spasial virus korona
menggunakan sistem informasi geografis di DKI Jakarta, penelitian yang relevan yang
sudah dilakukan oleh peneliti yaitu:
No Nama dan Tahun Judul Hasil
1 Dahlia, et al (2016) Analisis risiko banjir
pada lahan sawahpadi
dengan pendekatan
bentuklahan dan
persepsi masyarakatdi
Desa Renged DAS
Cidurian
Satuan bentuklahan dan
persepsi masyarakat dapat
digunakan untuk
identifikasi karaktersitik
banjir.
4
2 (Dahlia,
Nurharosono, &
Rosyidin, 2018)
Analisis Kerawanan
Banjir Menggunakan
Pendekatan
Geomorfologi Di Dki
Jakarta
pola spasial menunjukkan
bahwa daerah dengan
tingkat kerawanan banjir
tinggi mayoritas terletak
di bagian utara wilayah
penelitian, dan daerah
dengan tingkat kerawanan
banjir rendah mayoritas
dibagian selatan wilayah
penelitian.
3 (Rosyidin et al.,
2019)
Identify of Multi-
Hazard on
Muhammadiyah
Education Area by
VISUS Method in
Jakarta
Hasil analisis
menunjukkan bahwa
sekolah di DKI Jakarta
memiliki kerawanan
terhadap multi bencana,
hal ini dipengaruhi oleh
kondisi lingkungan
sekitar.
4 (Siti Dahlia, 2017) Partisipasi Masyarakat
Dalam Pemetaan
Bahaya Banjir
Menggunakan
Pendekatan Multi
Disiplin Di Desa
Renged, Kecamatan
Binuang, Kabupaten
Serang, Provinsi
Banten
ebagian besar wilayah
penelitian terletak pada
bahaya banjir sedang.
Berdasarkan pola spasial,
hasil terdapat kesamaan
diantara dua pendekatan
yaitu bahaya banjir tinggi
terletak di satuan
bentuklahan dataran banjir
yang berasosiasi dengan
DAS Cidurian, aliran
sungai mati, dan dataran
aluvial yang berasosiasi
dengan saluran irigasi.
Daerah dengan bahaya
banjir sedang terletak
disatuan bentuklahan
dataran banjir yang
berasosiasi dengan aliran
sungai mati dan dataran
aluvial. Daerah dengan
tingkat bahaya banjir
rendah terletak di satuan
bentuklahan dataran
aluvial antropogenik,
5
tanggul alam, dan
sebagian dataran aluvial.
2.2 Road Map Penelitian
Penelitian yang dilakukan memiliki Road Map Penelitian yaitu:
Gambar 2.1: Road Map Penelitian
2017
Pemetaan Bahaya Banjir di DKI Jakarta
2018
Pemetaan Kerawanan Kebakaran di Tambora, Jakarta Barat
2019
1. Pemetaan bahaya tsunami
2. Analisis Perubahan lahan pasca tsunami
2019
Analisis risiko Banjir terhadap fasilitas sekolah di DKI Jakarta
2020Analisis pola distribusi spasial Virus Covid 19 di Jakarta
Pemetaan
Multi Bencana
6
BAB III
METODE PENELITIAN
3.1 Bagan Penelitian
Gambar 3.1. Diagram Alir Penelitian
3.2 Desain Penelitian
A. Lokasi dan Waktu Penelitian
Penelitian dilakukan di wilayah Provinsi DKI Jakarta, dengan luas 661,52 km2.
Secara astronomis wilayah penelitian terletak diantara 106 ͦ22’42’’-106 ͦ 58’188’’ BT,
dan 6 ͦ 22’ 00’’ - 6 ͦ22’45 LS (Gambar 3.2).Waktu penelitian dilaksanakan pada Bulan
Maret-September 2020.
7
Gambar 3.2. Lokasi Penelitian
B. Populasi dan Sampel Penelitian
Populasi dalam penelitian ini yaitu Seluruh penduduk wilayah DKI Jakarta yang
terbagi menjadi 5 Kota Madya yaitu Jakarta Pusat, Timur, Barat, Selatan, dan Utara.
Metode penentuan sampel dalam penelitian ini yaitu metode sensus, yaitu seluruh
penduduk di DKI Jakarta yang terpapar positif virus Korona Pada Bulan Maret
sampai September Tahun 2020. Unit analisis dalam penelitian ini yaitu penduduk
terpapar positive virus Korona 19 di tingkat Kelurahan, sebanyak 261 Kelurahan.
8
C. Alat dan Bahan Penelitian
Alat dan fungsinya, yang digunakan dalam penelitian dapat dilihat pada Tabel 3.1,
sedangkan bahan-bahan yang digunakan dalam penelitian dapat dilihat pada Tabel
3.2.
Tabel 3.1 Alat yang digunakan dalam Penelitian
No Alat Fungsi
1 GPS Garmin Merekam titik koordinat
2 Perangkat Lunak Arc-Gis 10.6 Analisis spasial
3 Kamera DigitalCanon A2300 Dokumentasi
4 Perangkat lunak DNRGPS Transfer data hasil tracking
GPS
Tabel 3.2 Bahan Penelitian
No Bahan Sumber
1 Peta RBI skala 1:25.000 BIG
2 Citra Googel Earth Googel Earth
6 Data Penduduk Terpapar https://corona.jakarta.go.id
D. Metode Pengumpulan Data
Metode pengumpulan data dalam penelitian ini yaitu berbasis data sekunder. Data
yang dikumpukan terkait penduduk terdampak positif virus korona 19 di DKI Jakarta
secara temporal yaitu Bulan Maret - September Tahun 2020, yang bersumber dari
web: https://corona.jakarta.go.id.
E. Metode pengolahan dan analisis data
Hasil pengumpulan data sekunder dilakukan pengolahan, untuk menghasilkan
peta pola distribusi spasial dan spasial temporal
1. Pengolahan dan Analisis peta pola distribusi spasial virus Korona 19
Analisis pola spasial dilakukan dengan teknik interpretasi secara kualitatif yaitu
analisis peta sebaran Covid 19 dengan peta penggunaan lahan. Selanjutnya,
identifikasi pola spasial dianalisis berdasarkan prinsip autocorelasi secara
9
spasial, dengan parameter lokasi kepadatan pemukiman, tempat kerja, dan
fasiltas umum.
2. Pengolahan dan Analisis untuk peta spasial temporal
Analisis spasial secara temporal dilakukan dengan analisis data spasial
perkembangan Covid 19 menggunakan Arc Gis berbasis data sekunder dari
https://corona.jakarta.go.id/id. Analisis secara temporal dilakukan analisis
perkembangan kasus positive virus Korona 19 dari Bulan Maret sampai
September 2020.
10
BAB IV
HASIL DAN PEMBAHASAN
4.1 Deskrispi Wilayah Penelitian
1. Kondisi Administratif
Secara administrasi wilayah penelitian memiliki luas 661,52 km2 , yang terdiri dari
Jakarta Selatan (154,32 km2), Jakarta Timur (182,70 km2), Jakarta Pusat (52,38 km2),
Jakarta Barat (124,44 km2), dan Jakarta Utara (139,99 km2). Secara astronomis
wilayah penelitian terletak diantara 106 ͦ22’42’’-106 ͦ 58’188’’ BT, dan 6 ͦ 22’ 00’’ -
6 ͦ22’45 LS (Gambar 4.1).
Gambar 4.1. Lokasi Penelitian
11
2. Kondisi Sosial
a. Jumlah Penduduk
Berdasarkan data kependudukan menunjukkan bahwa jumlah penduduk wilayah
penelitian yaitu 10.467.629 jiwa, dengan 5.244.690 jiwa laki-laki dan 5.222.939 jiwa
perempuan. Berdasarkan usia, jumlah penduduk wilayah penelitian berada pada usia
produktif yaitu 30-34 tahun.
Tabel 4.1. Jumlah Penduduk Wilayah Penelitian
Kelompok
Umur
2018
Jumlah Penduduk Provinsi DKI Jakarta Menurut
Kelompok Umur dan Jenis Kelamin
Laki-laki Perempuan Jumlah
0-4 461794 444147 905941
5-9 472159 455206 927365
10.14 394643 370999 765642
15-19 355617 354567 710184
20-24 372793 411459 784252
25-29 468262 497588 965850
30-34 523215 508986 1032201
35-39 495643 475638 971281
40-44 429869 412091 841960
45-49 362091 349920 712011
50-54 296955 293992 590947
55-59 230049 236745 466794
60-64 167221 173024 340245
65+ 214379 238577 452956
Jumlah 5244690 5222939 10467629
Sumber: BPS, Tahun 2020
3. Kondisi Fisik Wilayah Provinsi DKI Jakarta
a. Elevasi
Analisis elevasi wilayah penelitian berdasarkan data DEM SRTM (Shuttle Radar
Topography Mission), dengan resolusi spasial 30 m. Hasil analisis menunjukkan
bahwa elevasi terendah wilayah penelitian yaitu -6 m dpal dan tertinggi 77 m dpal.
Berdasarkan luasan, area yang terletak pada elevasi < 5 m dpal (rendah) seluas
29132,72 ha, elevasi 5-10 m dpal (sedang) seluas 31190,08 ha, dan elevasi 50-77 m
dpal (tinggi) yaitu seluas 3745,88 ha (Tabel 4.2). Berdasarkan hal tersebut,
12
menunjukkan bahwa wilayah penelitian sebagian besar memiliki elevasi 5-10 m
dpal atau kategori sedang (Gambar 4.2). Menurut van Zuidam (1985), daerah
dengan kondisi elevasi < 50 m merupakan wilayah dataran rendah. Daerah dataran
rendah pada umumnya merupakan daerah rawan banjir tahunan, dan merupakan
langganan pada beberapa tempat (Sunarto et al., 2014). Kondisi tersebut
menunjukkan bahwa secara elevasi wilayah penelitian, rawan terhadap banjir.
Tabel 4.2. Luasan Elevasi DKI Jakarta
NO Elevasi (meter) Luas (Ha) Presentase (%)
1 < 5 29.132,72 45,47
2 5-10 31.190,08 48,68
3 50-77 3.745,88 5,85
Total 64.068,69 100
Berdasarkan gambar peta elevasi wilayah penelitian (Gambar 4.1),
menunjukkan bahwa elevasi terendah terletak di bagian utara wilayah penelitian,
kondisi ini disebabkan oleh bagian utara wilayah penelitian merupakan daerah
pesisir, sehingga memiliki elevasi lebih rendah. Elevasi tertinggi wilayah
penelitian mayoritas terletak dibagian selatan wilayah penelitian. Kondisi ini
disebakan oleh pada bagian selatan wilayah penelitian merupakan terletak
berbatasan dengan wilayah Bogor, yang mayoritas wilayah memiliki karakteristik
morfologi berbukit sampai bergunung.
13
Gambar 4.2: Peta Elevasi DKI Jakarta
b. Kemiringan Lereng
Analisis kemiringan lereng wilayah penelitian berdasarkan data DEM SRTM
(Shuttle Radar Topography Mission), dengan resolusi spasial 30 m. Klasifikasi kelas
lereng pada penelitian ini mengacu klasifikasi kemiringan lereng menurut van
Zuidam Tahun 1985. Hasil analisis menunjukkan bahwa kelas kemiringan lereng
DKI Jakarta terdiri dari 0-2 % (datar) seluas 46.592,64 ha, 3-7% (landai) seluas
13.858,30 ha, dan 8-3 % (miring) seluas 3617.75 ha (Tabel 4.3). Berdasarkan data
luasan tersebut menunjukkan bahwa sebagian besar wilayah penelitian memiliki
14
kemiringan lerengan 0-2 % atau datar. Menurut van Zuidam (1985), daerah dengan
kondisi lereng datar sampai landai merupakan daerah dataran banjir. Kondisi
tersebut sesuai dengan kondisi di lapangan, bahwa wilayah DKI Jakarta memiliki
intensitas tinggi terkena banjir. Peta kemiringan lereng wilayah penelitian disajikan
pada Gambar 4.3.
Tabel 4.3. Luasan Tingkat Kemiringan Lereng DKI Jakarta
NO Kemiringan
Lereng (%)
Luas (Ha) Presentase (%)
1 0-2 46.592,64 72,72
2 3-7 13.858,30 21,63
3 8-13 3.617,75 5,6
Total 64.068,69 100
c. Bentuklahan
Daerah rawan banjir dapat diidentifikasi salah satunya yaitu dengan
pendekatan geomorfologi. Menurut Setiawan et al (2014), karakteristik
geomorfologi menjadi kunci dalam kajian potensi banjir, banjir genangan ataupun
jejak-jejaknya dapat dikenali dari pola bentuklahan pada dataran rendah.
Pendekatan bentuklahan untuk evaluasi bahaya banjir luapan sungai yaitu fokus
pada bentuklahan asal proses fluvial. Bentuklahan asal proses fluvial merupakan
bentuklahan yang terjadi akibat proses air mengalir, baik yang memusat (sungai)
maupun oleh aliran permukaan bebas (overland flow). Ketiga aktivitas dari sungai
ataupun aliran permukaan bebas tersebut mencakup: erosi, transportasi, dan deposisi
atau sedimentasi (Dibyosaputro, 1997). Hasil bentuklahan asal proses fluvial DKI
Jakarta, di sajikan pada Tabel 4.4.
15
Gambar 4.3: Peta Kemiringan Lereng DKI Jakarta
Tabel 4.4. Bentuklahan Proses Fluvial DKI Jakarta
NO Satuan Bentuklahan Luas (Ha) Presentase
(%)
1 Dataran Aluvial 24.103,56 37,62
16
2 Dataran Aluvial Pantai 5.996,94 9,36
3 Dataran Banjir 8.429,12 13,15
4 Kipas Aluvial 25.539,07 39,86
Total 64.068,69 100
Analisis bentuklahan wilayah penelitian diperoleh dari hasil analisis Peta RBI
Skala 1:25000, DEM SRTM, dan Citra Landsat, sehingga menghasilkan peta
bentuklahan. Hasil analisis peta bentuklahan, wilayah DKI Jakarta memiliki satuan
bentuklahan: dataran alluvial seluas 24.103,56 ha, dataran alluvial pantai seluas
5.996,94 ha, dataran banjir seluas 8.429,12 ha, dan kipas alluvial seluas 25.539,07
ha (Tabel 4.5). Berdasarkan hal tersebut sebagian besar satuan bentuklahan DKI
Jakarta merupakan kipas alluvial (Gambar 4.4). Kipas alluvial merupakan
akumulasi sedimen berukuran bongkah, kerakal, kerikil, dan pasir yang terjadi pada
suatu daerah yang sungai mengalir, dan terdapat perubahan yang mencolok lereng
dari miring hingga terjal. Wilayah penelitian memiliki satuan bentuklahan kipas
alluvial karena wilayah penelitian dekat dengan wilayah Bogor, sehingga wilayah
penelitian terpengaruh aliran bahan vulkanis Gunung Gede – Pangrango, dan
Gunung Salak (Pannekoek, 1989).
Berdasarkan kondisi tersebut wilayah penelitian mayoritas merupakan satuan
bentuklahan kipas alluvial, sehingga sebagai muara atau hilir dari salah satu DAS
yang berasal dari wilayah Bogor. Daerah hilir DAS pada umumnya memiliki
tingkan kerawan banjir yang lebih tinggi. Selain itu, satuan bentuklahan terluas
wilayah penelitian lainnya yaitu dataran alluvial, yang merupakan hasil proses
sedimentasi pada topografi datar dengan material aluvium (Sunarto et al., 2014).
Kondisi tersebut dapat diidentifikasikan bahwa wilayah penelitian terpengaruh oleh
aktivitas banjir dan penggenangan, karena material aluvium berasal dari hasil
pengendapan ketika terjadi banjir dan penggenangan.
17
Gambar 4.4: Peta Satuan Bentuklahan DKI Jakarta
18
4. Data Kasus Virus Korona 19
A. Data Positif di DKI Jakarta
Berdasarkan data kasus positif virus korona 19 di DKI Jakarta pada Bulan
Maret sampai September 2020 menunjukkan trend yang secara signifikan
meningkat tajam (Gambar 4.5). Data peningkatan kasus positif terjadi mulai
Bulan April dan signifikan meningkat di Bulan Juni, yaitu pada kondisi PSBB
transisi. Untuk data pasien sembuh menunjukkan meningkat sejak Bulan Juni
sampai Bulan September, meskipun trend dibawah dari garis kasus positif.
Gambar 4.5. Grafik Kasus Positif di DKI Jakarta
Sumber: https://corona.jakarta.go.id/id
B. Data Perbandingan Kasus
Berdasarkan data perbandingan antara kasus positif harian di Indonesia dan
di Jakarta menunjukkan bahwa angka kasus positif di Indonesia memiliki trend
lebih tinggi dibandingkan di Jakarta (Gambar 4.6). Akan tetapi, data grafik
menunjukkan perbedaan angka tidak memiliki perbedaan yang signifikan. Selain
itu, jika ditinjau dari jumlah total penduduk, Jakarta memiliki 4% jumlah
penduduk dari total jumlah di Indonesia. Kondisi tersebut menggambarkan data
kasus positif harian di DKI Jakarta merupakan tinggi.
Selanjutnya, jika ditinjau data positif harian di Jakarta pada kondisi PSBB,
PSBB transisi, dan PSSB menunjukkan bahwa kondisi data positif harian pasca
PSBB transisi lebih meningkat secara signifikan. Hal ini dapat di identifikasi
19
karena aktivitas kontak penduduk pada masa PSBB transisi memiliki intensitas
lebih tinggi semenjak adanya PSBB bulan Maret.
Gambar 4.6. Grafik Kasus Korona di DKI Jakarta dan Nasional
Sumber: https://corona.jakarta.go.id/id
C. Data Kasus Berbasis Gender dan Kelompok Umur
Data kasus suspek, kontak erat, dan positif jika ditinjau dari gender
menunjukkan bahwa ketiga parameter tersebut di dominasi oleh laki-laki. Hal ini
dapat di identifikasi karena factor penduduk dengan jenis kelamin laki-laki lebih
potensial untuk beraktifitas dan interkasi khususnya dalam bekerja, sehingga
lebih potensian untuk terpapar. Selain itu, jika ditinjau dari umur untuk kasus
suspek dan kontak erat di dominasi pada pasien umur 20-29 tahun, sedangkan
kasus positif umur 30-39 tahun. Berdasarkan kondisi tersebut menunjukkan usia
20-39 tahun merupakan usia produktif, sehingga dapat di identifikasi penduduk
terpapar mayoritas merupakan penduduk bekerja (Gambar 4.7).
20
Gambar 4.7. Grafik Kasus Berbasis Gender dan Kelompok Umur di DKI Jakarta
Sumber: https://corona.jakarta.go.id/id
D. Data Kasus Tingkat Infeksi Tertinggi di Kelurahan
Berdasarkan data Gugus Covid DKI Jakarta menunjukkan terdapat 25 Kelurahan
dengan tingkat infeksi tertinggi (Gambar 4.8). Kelurahan tersebut yaitu Gambir,
Pancoran, Tebet Barat, Gondangdia, Senen, Rawa Jati, Mangga Dua Selatan, Roa
Malaka, Koja, Pegangsaan, Cempaka Putih Timur, Kebon Sirih, Kalibata,
Petamburan, Cilncing, Tambora, Menteng, Slipi, Keagungan, Rawa Badak
Selatan, Tangki, Cempaka Putih Barat, Taman Sari, Guntur, dan Kebon Kacang.
Beradsarkan 25 Kelurahan tersebut merupakan kelurahan yang teridentifikasi
sebagai area pusat perkantoran dan area pemukiman padat, kondisi tersebut
menujukkan bahwa infeksi atau penularan Covid 19 terjadi di area perkantoran
dan pemukiman padat. Hal ini sesuai dengan kajian penelitian yang dilakukan
oleh (Chua et al., 2019) menyatakan bahwa secara spasial tempat kerja
berhubungan dengan penyebaran wabah. Menurut (Ren et al., 2020) menyatakan
bahwa tempat dengan populasi penduduk yang padat, merupakan factor penting
dalam mempengaruhi tingkat infeksi.
21
Gambar 4.8. Data Kasus Infeksi Tertinggi Keluarhan di DKI Jakarta
Sumber: https://corona.jakarta.go.id/id
4.2 Hasil Penelitian
1. Analisis secara spasial temporal perkembangan virus Corona (Covid-19) di
Jakarta
Berdasarkan data statitk Covid 19 Gugus DKI Jakarta kasus positive sejak
Bulan Maret sampai September 2020 terus meningkat secara signifikan. Hal ini dapat
di lihat pada data spasial temporal perkembangan Covid 19 di Gambar 4.9. Pada
bulan Maret kasus positive menunjukkan < 50 orang, sedangkan pada bulan April
Kasus meningkat menjadi 50-100 orang positif, yang terdapat di Kecamatan
Penjaringan, Tanjung Periuk, dan Tanah Abang. Dengan bertambahnya kasus
tersebut, sehingga Gubernur DKI Jakarta mengeluarkan kebijakan Pembatasan
Sosial Berskala Besar (PSBB) tahap 1. Pada Bulan Mei data kasus positive
menunjukkan meningkat dan penambahan kasus di beberapa Kecamatan.
Penambahan kasus terdapat di Kecamatan Kalideres, Kelapa Gading, Pancoran,
Keramat Jati, dan Duret Sawit. Selain itu, kasus positif di Tanjung Periuk cendrung
meningkat menjadi 150-200 orang. Kondisi tersebut menunjukkan meskipun sudah
di keluarkan kebijakan PSBB angka cendrung meningkat, hal ini dapat di Identifikasi
factor semakin masifnya tracking kasus Covid 19 yang dilakukan oleh pemerintah.
22
BAB V
Gambar 4.9. Peta Distribusi Spasial Temporal di DKI Jakarta
23
Pada Bulan Juni data persebaran ditinjau dari Kecamatan Cendrung
bertambah, dan pada Kecamatan Penjaringan jumlah kasus positif bertambah
menjadi kelompok 151-200 orang. Akan tetapi, meskipun secara data kasus podsitif
menunjukkan cendrung meningkat tapi pemerintah DKI Jakarta semenjak 5 Juni
mengeluarkan kebijakan PSBB Transisi. Hal ini dilakukan karena setelah Pemprov
DKI melihat skor indikator pelonggaran. Gubernur DKI Jakarta Anies Baswedan
mengatakan, skor indikator pelonggaran mempunyai tiga unsur, yakni epidemiologi,
kesehatan masyarakat, dan fasilitas kesehatan. Jika total skor di atas 70, pelonggaran
boleh dilakukan atau diteruskan. Sementara itu, total skor Jakarta adalah 71. Dengan
demikian, sejumlah pelonggaran dapat diteruskan (Kompas, 2020). Berdasarkan
Gambar 4.6, menunjukkan bahwa pada masa dikeluarkan kebijakan PSBB transisi
data statistic kasus positive cendrung menurun, akan tetapi setelah diberlakukan
PSBB transisi data kasus positive pada 10 Juli samapai September terus meningkat.
Hal ini dapat di identifikasi banyak kelompok masyarakat yang melanggar kebijakan
PSSB (Ilpaj & Nurwati, 2020).
Pada Bulan Juli merupakan masa PSBB transisi di Jakarta, akan tetapi data
secara spasial menunjukan terjadi perluasan wilayah teridentifikasi penduduk kasus
positif. Selain itu, pada Kecamatan Penjaringan terjadi penaikan kasusu positive
dengan kategori menjadi > 200 kasus positif. Menurut Suku Dinas Kesehatan Jakarta
Utara, peningkatan kasus Covid 19 di wilayah Jakarta Utara bukan di pengaruhi oleh
tingkat kepadatan penduduk, akan tetapi karena factor tindakan masih tracking pada
kelompok- kelompok berisiko, dan adanya program rapid tets dan swab secara masal
(Prireza, 2020).
Pada Bulan Agustus data secara spasial menunjukkan terjadi penambahan
kasus positif Covid 19 secara signifikan. Hal ini terlihat pada mayoritas kecamatan
terdapat pada zona kasus positif 51-100 orang. Selain itu, terdapat penambahan
wilayah dengan kasus positif pada zona > 200 yaitu Kecamatan Penjaringan,
Pademangan, Tanjung Periuk, Koja, Cilincing, Cempaka Putih, Tanah Abang,
Palmerah, dan Duret Sawit. Penambahan kasus positif tersebut dapat di identifikasi
di pengaruhi oleh beberapa factor yaitu usia rentan, fasilitas kesehatan kurang
24
memedai, dan kesehatan mental karena kondisi panic dan stress (Ilpaj & Nurwati,
2020). Selain itu, Indonesia merupakan penduduk terpadat ke 4 di dunia, termasuk
Jakarta merupakan area tingkat kepadatan penduduk yang tinggi, sehingga dampak
persebaran Covid 19 akan lebih lama dibandingkan wilayah dengan penduduk yang
lebih sedikit (Djalante et al., 2020).
Pada Bulan September peningkatan kasus positive Covid 19 dengan
kelompok > 200 orang meningkat secara signifikan. Terdapat 23 kecamatan dengan
kelas zona kasus positif > 200 orang, selain itu mayoritas wilayah berada pada zona
101-150 kasus positif. Selanjutnya, angka positivity rate dalam awal Septemebr
merupakan angka tertinggi sejak kasus Covid-19 ditemukan di Ibu Kota. Bahkan
angka tersebut melampaui batas ideal badan kesehatan dunia (WHO) yakni kurang
dari 5 persen (Nuris, 2020). Kondisi tersebut mengakibatkan Gubernur DKI Jakarta
menegluarkan kebijakan PSBB tahap dua. Peningkatan kasus positif Covid 19 di
Jakarat dapat di identifikasi berbagai factor yaitu rendahnya kesadaran masyarakat,
sehingga melanggar protocol kesehatan, kurang memadainya fasilitas kesehatan
yang tersedia, dan peraturan pemerintah yang belum efektif (Ilpaj & Nurwati, 2020).
Selain itu, menurut (Djalante et al., 2020) menyatakan bahwa keterlambatan
informasi terkait identifikasi kasus suspect atau kasus positif mengakibatkan
rendahnya emergeny respon masyarakat, dan proses isolasi mandiri merupakan
bukan culture masyarakat Indonesia, karena banyak masyarakat Indonesia memiliki
pekerjaan informal. Selanjutnya, hasil penelitian menyatakan bahwa di kota-kota
besar Cina risiko infeksi Covid 19 tertinggi, terdapat di area perkotaan yang padat
dan aktivitas tinggi (Ren et al., 2020).
Pemerintah sudah menerapkan beberapa upya untuk pencegahan dan mitigasi
Covid 19, seperti: pembentukan gugus tugas percepatan penanganan Covid 19,
meningkatkan rumah sakit rujukan, penyemprotan disinfektan secara masal, social
distancing, bekerja dari rumah, menutup sekolah, tempat peribadahan, kantor,
parawisata, meningkatkan kegiatan rapid test, dan lainnya (Hermon, 2020). Akan
tetapi, upaya mitigasi Covid 19 belum efektif karena upaya mitigasi tidak berbasis
25
kearifan local, sedangkan masyarakat Indonesia memiliki multi etnik (Hermon,
2020).
2. Analisis pola distribusi spasial virus Corona (Covid-19) di Jakarta
Analisis distribusi pola spasial Covid 19 di Jakarta mengacu pada (Abidin,
2020), yaitu berdasarkan analisis cold spot (kejadian positif Covid-19 rendah dan
pola menyebar) dan hot spot (kejadian positif Covid-19 tinggi dan pola mengumpul).
Berdasarkan data analisis distribusi spasial kasus Covid 19 di Jakarta pada Bulan
Maret sampai September menunjukkan bahwa pada Bulan Maret pola distribusi
spasial di DKI Jakarta menunjukkan pola cold spot, yaitu pola yang menunjukkan
terdapat kasus positif Covid 19 di beberapa kelurahan yaitu 177 kelurahan dan 85
kelurahan belum teridentifikasi kasus Positif. Selain itu, pola kasus Covid 19 pada
bulan Maret bersifat pola menyebar (4.10). Hal ini sebagai identifikasi pada Bulan
Maret di Jakarta kasus positif Covid 19 masih rendah, dan masih rendahnya upaya
pemerintah dalam melakukan tracking.
Gambar 4.10. Pola Distribusi Spasial Kasus Positif Covid 19 Bulan Maret
26
Selanjutnya, setelah bulan Maret yaitu Bulan April sampai Bulan Semptember
kasus positif Covid 19 di Jakarta menunjukkan beberapa titik terjadi hot spot yaitu
kejadian positif Covid-19 tinggi dan pola mengumpul. Pola titik hot spot terjadi di
beberapa Kecamatan di Jakarta Pusat, Jakarta Barat, Jakarta Selatan, dan Jakarta
Utara (Gambar 4.11) yaitu Kecamatan Cengkareng, Tambora, Gambir, Palmerah,
Tanah Abang, Menteng, Senen, Kemayoran, Cempaka Putih, Tebet, Mampang
Prapatan, Pademangan, Koja, Tanjung Priok, Cilincing, dan Kelapa Gading. Kondisi
tersebut dapat di identifikasi karena wilayah tersebut merupakan pusat aktifitas bisnis
DKI Jakarta, dan area dengan padat penduduk. Selain itu, hal ini sesuai dengan
identifikasi data Gugus Tugas Covid 19 Jakarta, yaitu kelurahan-kelurahan dengan
trend kasus positif Covid tertinggi di Jakarta (Gambar 4.8).
Gambar 4.11. Pola Distribusi Spasial Kasus Positif Covid 19 Bulan April-
September
27
Selanjutnya pola kasus positif Covid 19 berdasarkan kepadatan penduduk
menunjukkan bahwa pola hot spot atau pola dengan kasus positif Covid 19 tinggi dan
mengelompok terjadi pada wilayah dengan kepdatan penduduk tinggi yaitu 39620-
95676 jiwa/km2 . Area dengan pola cold spot atau kejadian positif Covid-19 rendah
dan pola menyebar terdapat di Keluarahan dengan kepdatan penduduk lebih rendah
yaitu berkisar 1213-13004 jiwa/km2 (Gambar 4.12). Hal ini dapat di identifikasi
bahwa tingkat kepdatan penduduk yang tinggi dapat mempengaruhi peningkatan
kasus Positif Covid 19. Hal ini sesuai dengan teori yang dinyatakan oleh (Ren et al.,
2020) bahwa area perkotaan yang padat dan aktivitas tinggi berisiko terinfeksi Covid
19 lebih tinggi. Wilayah dengan kepdatan penduduk tinggi seperti Kecamatan
Tamboran dan Taman Sari berpotensi adanya interaksi antar penduduk yang massif,
sehingga berpotensi tingginya penulan virus Covdi 19 antar masyarakat. Hal ini
mengakibatkan pada area tersebut membentuk pola Hot Spot Covid 19.
Gambar 4.12. Pola Distribusi Spasial Kasus Positif Covid 19 Bulan
September Berdasarkan Tingkat Kepadatan Penduduk
28
Selanjutnya, kasus positif Covid 19 berdasarkan data lokasi titik fasilitas
umum yaitu pada penelitian ini terbatas pada fasilitas tempat ibadah, perniagaan, dan
fasilitas kesehatan menunjukkan bahwa pola area dengan kasus positif Covid 19
tinggi yaitu zona merah atau 201-581 kasus positif Covid 19 terdapat banyak fasilitas
umum. Akan tetapi, berbeda dengan area kasus positif Covdi 19 rendah yaitu 0-100
memiliki lebih sedikit fasilitas umum. Hal ini dapat di dientifikasi bahwa fasilitas
umum seperti layanan kesehatan, tempat ibdahan dan perniagaan berpotensi menjadi
tempat penularan Covid 19. Kondisi tersebut dikarenakan masih banyak tempat
umum yang belum mengimplementasikan protocol kesehatan, sehinggan tingginya
potensi penularan Covid 19 antar manusia (Yanti, Nugraha, Wisnawa, Agustina, &
Diantari, 2020).
Gambar 4.13. Pola Distribusi Spasial Kasus Positif Covid 19 Bulan September
Berdasarkan Lokasi Fasilitas Umum
29
Selain itu, tingginya kasus positif Covid 19 berdasarkan data lokasi
transportasi yaitu stasiun kreta api, pelabuhan, dan bandara di Jakarta menunjukkan
bahwa area dengan kasus positif sedang dan tinggi mayoritas berada deket dengan
staisun kreta, pelabuhan, dan bandara (Gambar 4.14). Hal ini dapat di identifikasi
bahwa pusat transportasi menjadi sebagai fasilitas umum yang dikunjungi oleh
berbagai masyarakat, dan merupakan tempat keramaian, sehingga potensi penularan
Covid 19 antara manusia tinggi. Meskipun pada moda transportasi tersebut sudah
mengimplementasikan protocol kesehatan, akan tetapi tingginya pengguna KRL di
Jakarta berpotensi sebagai salah satu tempat penularan Covid 19.
Gambar 4.14. Pola Distribusi Spasial Kasus Positif Covid 19 Bulan September
Berdasarkan Transportasi
30
5. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan hasil penelitian menunjukkan bahwa berdasarkan data analisis spasial
temporal menunjukkan kasus positif Covid 19 periode Maret sampai September
cendrung meningkat secara signifikan. Mayoritas area berada pada kelompok kasus
positif 101-150 kasus, dan pada Bulan September kecamatan dengan Kasus poisitif >
200 orang cendrung meningkat. Faktor yang mempengaruhi peningkatan kasus
positif dapat di identifikasi factor lokasi pekerjaan, kepadatan penduduk, peningkatan
tracking dan test masal, serta belum efisien kebijakan pemerintah dalam
implementasi mitigasi Covid 19. Berdasarkan pola spasial menunjukkan bahwa pada
wilayah penelitian pada Bulan Maret memiliki pola Cold spot atau menyebar
sedangkan Bulan April sampai September terdapat titik Hot Spot yaitu beberapa
Kecamatan di Jakarta Barat, Pusat, Utara, dan Selatan. Selain itu, secara pola kasus
positif Covid 19 tertinggi pada area dengan kepdatan penduduk tinggi, tingginya
keberadaan fasilitas umum seperti perniagaan, layanana kesehatan, dan tempat
ibadah, dan lokasi layanan transportasi seperti stasiun, bandara, dan pelabuhan.
5.2 Saran
Berdasarkan hasil penelitian, untuk itu peneliti menyampaikan beberapa saran terkait
hasil riset:
1. Peningkatan kasus poistif Covid 19 dapat di identifikasi pengaruh upaya mitigasi
Covid 19 yang belum efisien, masyarakat Jakarta merupakan multi culture sehingga
memiliki kebiasanaan yang beragam. Untuk itu, penting upaya mitigasi berbasis
kearifan local.
2. Penelitian ini terbatas pada pemetaan distribusi spasial temporal terkait kasus positif
Covid 19, penelitian lanjutan dapat identifikasi tingkat kerawnan, kerentanan, dan
analisis risiko Covid 19.
31
BAB VI
LUARAN YANG DICAPAI
Luaran hasil penelitian yaitu manuskrip yang di submit pada Jurnal Geografi
Universitas negeri Medan yang terindeks Sinta 2, dan Jurnal Tunas Geografi terindeks SInta
3.
Jurnal 1
IDENTITAS JURNAL
1 Nama Jurnal Jurnal Geografi
2 Website Jurnal https://jurnal.unimed.ac.id/2012/index.php/geo/auth
or
3 Status Makalah Submitted
4 Jenis Jurnal Jurnal Nasional terakreditasi Sinta 2
4 Tanggal Submit 23 November 2020
5 Bukti Screenshot submit
Jurnal 2
IDENTITAS JURNAL
1 Nama Jurnal Tunas Geografi
2 Website Jurnal https://jurnal.unimed.ac.id/2012/index.php/tgeo/ind
ex
3 Status Makalah Submitted
4 Jenis Jurnal Jurnal Terindeks Sinta 3
4 Tanggal Submit 10 Desember 2020
32
5 Bukti Screenshot submit
33
BAB VII
RENCANA TINDAK LANJUT DAN PROYEKSI HILIRISASI
1. Hasil Penelitian
Hasil penelitian ini berupa peta spasial temporal yang menujukkan distribusi spasial
kasus positif Covid 19 di Jakarta secara temporal atau periode waktu yaitu Bulan
Maret Sampai April 2020. Selain itu, hasil penelitian menghasilkan peta Pola
Distribusi Spasial kasus positif Covid 19 di Jakarta Bulan Maret- September, yang
menunjukkan pola kasus positif secara mengelompok dan tinggi jumlah kasus positif
Covid 19 (Hot Spot) atau menyebar dan rendah kasus positif Covid 19 (Cold spot).
Selain itu, pada peta pola spasial menganalisis tingginya kasus positif Covid 19
dengan beberapa indicator yaitu kepatan penduduk, fasilitas umum, dan transpotasi.
Hasil penelitian menunjukkan bahwa kasus positif Covid 19 tertinggi mayoritas
terdapat pada area dengan kepadatan penduduk tinggi, tingginya titik fasilitas umum,
dan adanya pusat layanan transportasi seperti: bandara, stasiun, dan pelabuhan.
2. Rencana Tindak Lanjut
Berdasarkan hasil penelitian yaitu peta spasial temporan dan distribusi pola spasial
kasus positif Covid 19 di Jakarta Bulan Maret-September, dapat menjadi dasar untuk
penelitian selanjutnya terkait identifikasi kelompok rentan pada setiap wilayah
penelitian, dan analisis risiko Covid 19 di Jakarta. Pada kesempatan hibah penelitian
nasional, kami mengajukan tindak lanjut dari riset tersebut berupa analisis kelompok
rentan dan tingkat risiko.
34
DAFTAR PUSTAKA
Abidin, H. Z. (2020). Pemanfaatan Informasi Geospasial Untuk Manajemen Pengurangan
Resiko Bencana Non-Alam Covid-19 Prof . Dr . Hasanuddin Z . Abidin. (June).
https://doi.org/10.13140/RG.2.2.20571.80166
Adegboye, O. A., Gayawan, E., & Hanna, F. (2017). Spatial modelling of contribution of
individual level risk factors for mortality from Middle East respiratory syndrome
coronavirus in the Arabian Peninsula. PLoS ONE, 12(7), 1–15.
https://doi.org/10.1371/journal.pone.0181215
Al-Ahmadi, K., Alahmadi, S., & Al-Zahrani, A. (2019). Spatiotemporal clustering of middle
east respiratory syndrome coronavirus (MERS-CoV) incidence in Saudi Arabia, 2012–
2019. International Journal of Environmental Research and Public Health, 16(14).
https://doi.org/10.3390/ijerph16142520
Chua, J. L., Ng, L. C., Lee, V. J., Ong, M. E. H., Lim, E. L., Lim, H. C. S., … Chen, M. I. C.
(2019). Utility of spatial point-pattern analysis using residential and workplace
geospatial information to localize potential outbreak sources. American Journal of
Epidemiology, 188(5), 940–949. https://doi.org/10.1093/aje/kwy290
Dahlia, S., Nurharosono, T., & Rosyidin, W. F. (2018). Analisis Kerawanan Dan Exposure
Banjir Menggunakan Citra Dem Srtm Dan Landsat Di Dki Jakarta. Jurnal Pendidikan
Geografi, 18(1), 81–95.
Djalante, R., Lassa, J., Setiamarga, D., Sudjatma, A., Indrawan, M., Haryanto, B., …
Warsilah, H. (2020). Review and analysis of current responses to COVID-19 in
Indonesia: Period of January to March 2020. Progress in Disaster Science, 6, 100091.
https://doi.org/10.1016/j.pdisas.2020.100091
Hermon, P. D. (2020). How Is Covid-19 Mitigation In Indonesia. Sumatra Journal of
Disaster, Geography and Geography Education, 4(1), 1–4.
https://doi.org/10.24036/sjdgge.v4i1.320
Ilpaj, S. M., & Nurwati, N. (2020). Analisis Pengaruh Tingkat Kematian Akibat Covid-19
Terhadap Kesehatan Mental Masyarakat Di Indonesia. Focus : Jurnal Pekerjaan Sosial,
3(1), 16. https://doi.org/10.24198/focus.v3i1.28123
Kamel Boulos, M. N., & Geraghty, E. M. (2020). Geographical tracking and mapping of
coronavirus disease COVID-19/severe acute respiratory syndrome coronavirus 2
(SARS-CoV-2) epidemic and associated events around the world: How 21st century
GIS technologies are supporting the global fight against outbr. International Journal of
Health Geographics, 19(1). https://doi.org/10.1186/s12942-020-00202-8
Kang, D., Choi, H., Kim, J. H., & Choi, J. (2020). Spatial epidemic dynamics of the COVID-
19 outbreak in China. International Journal of Infectious Diseases : IJID : Official
Publication of the International Society for Infectious Diseases, 94(January), 96–102.
35
Retrieved from https://doi.org/10.1016/j.ijid.2020.03.076
Nuris, V. (2020, September 8). Melihat Perkembangan Kasus Covid-19 di Jakarta dalam
Sepekan, Angka Sembuh Naik tetapi Krisis Tempat Tidur Isolasi. Kompas. Retrieved
from https://megapolitan.kompas.com/read/2020/09/08/11082041/melihat-
perkembangan-kasus-covid-19-di-jakarta-dalam-sepekan-angka-sembuh?page=all
Olanrewaju, O. E., & Adepoju, K. A. (2017). Geospatial assessment of cholera in a rapidly
urbanizing environment. Journal of Environmental and Public Health, 2017, 1.
https://doi.org/10.1155/2017/6847376
Prireza, A. (2020). No TitleKasus Covid-19 Melonjak, DKI: Bukan karena Permukiman
Padat. Tempo. Co. Retrieved from https://metro.tempo.co/read/1365451/kasus-covid-
19-melonjak-dki-bukan-karena-permukiman-padat/full&view=ok
Ren, H., Zhao, L., Zhang, A., Song, L., Liao, Y., Lu, W., & Cui, C. (2020). Early forecasting
of the potential risk zones of COVID-19 in China’s megacities. Science of the Total
Environment, 729, 138995. https://doi.org/10.1016/j.scitotenv.2020.138995
Rosyidin, W. F., Dahlia, S., Zahro, A. ., Putra, A., Katami, M., & Najiyullah, M. (2019).
Identify of Multi-Hazard on Muhammadiyah Education Area by VISUS Method in
Jakarta. IOP Conference Series: Earth and Environmental Science, 271, 012015.
https://doi.org/10.1088/1755-1315/271/1/012015
Siti Dahlia, W. F. (2017). PARTISIPASI MASYARAKAT DALAM PEMETAAN
BAHAYA BANJIR MENGGUNAKAN PENDEKATAN MULTI DISIPLIN DI DESA
RENGED, KECAMATAN BINUANG, KABUPATEN SERANG, PROVINSI
BANTEN Siti Dahlia 1 ,. Geografi Edukasi Dan Lingkungan, 1(1), 48–54.
Yanti, N. P. E. D., Nugraha, I. M. A. D. P., Wisnawa, G. A., Agustina, N. P. D., & Diantari,
N. P. A. (2020). Gambaran Pengetahuan Masyarakat tentang Covid-19 dan Perilaku
Masyarakat di Masa Pandemi Covid-19. Jurnal Keperawatan Jiwa, Vol. 8 No.(3), 485–
490.
Web:
https://news.detik.com/berita/d-4996024/sebaran-9771-kasus-positif-corona-di-34-provinsi-
dki-jakarta-terbanyak
https://megapolitan.kompas.com/read/2020/07/14/08163951/psbb-transisi-di-jakarta-grafik-
kasus-baru-covid-19-makin-menanjak?page=all
https://nasional.kompas.com/read/2020/03/03/06314981/fakta-lengkap-kasus-pertama-
virus-corona-di-indonesia?page=all
https://metro.tempo.co/read/1365451/kasus-covid-19-melonjak-dki-bukan-karena-
permukiman-padat/full&view=ok
36
Lampiran-Lampiran
Luaran hasil penelitian yaitu manuskrip yang di submit pada Jurnal Geografi
Universitas negeri Medan yang terindeks Sinta 2, dan Jurnal Tunas Geografi terindeks SInta
3.
Jurnal 1
IDENTITAS JURNAL
1 Nama Jurnal Jurnal Geografi
2 Website Jurnal https://jurnal.unimed.ac.id/2012/index.php/geo/auth
or
3 Status Makalah Submitted
4 Jenis Jurnal Jurnal Nasional terakreditasi Sinta 2
4 Tanggal Submit 23 November 2020
5 Bukti Screenshot submit
Jurnal 2
IDENTITAS JURNAL
1 Nama Jurnal Tunas Geografi
2 Website Jurnal https://jurnal.unimed.ac.id/2012/index.php/tgeo/ind
ex
3 Status Makalah Submitted
4 Jenis Jurnal Jurnal Terindeks Sinta 3
4 Tanggal Submit 10 Desember 2020
37
5 Bukti Screenshot submit
top related